科研训练第一周：关于2021年pair_extraction文献的整理

本周要求：查找ACL会议2020-2021年度的有关pair extraction工作的相关文献，做一个简单的文献列表

github上之前有过开源的论文列表其中2020-2021如下😀：

一、Aspect-Opinion Pair Extraction【方面-观点抽取】

1. Lei Gao, Yulong Wang, Tongcun Liu, Jingyu Wang, Lei Zhang, Jianxin Liao. Question-Driven Span Labeling Model for Aspect–Opinion Pair Extraction. AAAI 2021. [paper]

Abstract:
Aspect term extraction and opinion word extraction are two
fundamental subtasks of aspect-based sentiment analysis.
The internal relationship between aspect terms and opinion
words is typically ignored, and information for the decisionmaking of buyers and sellers is insufficient. In this paper, we
explore an aspect–opinion pair extraction (AOPE) task and
propose a Question-Driven Span Labeling (QDSL) model
to extract all the aspect–opinion pairs from user-generated
reviews. Specifically, we divide the AOPE task into aspect
term extraction (ATE) and aspect-specified opinion extraction (ASOE) subtasks; we first extract all the candidate aspect terms and then the corresponding opinion words given
the aspect term. Unlike existing approaches that use the BIObased tagging scheme for extraction, the QDSL model adoptsa span-based tagging scheme and builds a question–answer-based machine-reading comprehension task for an effective
aspect–opinion pair extraction. Extensive experiments conducted on three tasks (ATE, ASOE, and AOPE) on four
benchmark datasets demonstrate that the proposed method
significantly outperforms state-of-the-art approaches.

摘要：方面术语提取和意见词提取是基于方面情绪分析的两个基本子任务。方面术语和意见词之间的内部关系通常被忽视，买卖双方决策的信息不足。在本文中，我们探索了一个方面/意见对提取 （AOPE） 任务，并提出了一个问题驱动的跨度标记 （QDSL） 模型，从用户生成的评论中提取所有方面的意见对。具体来说，我们将 AOPE 任务分为方面术语提取 （ATE） 和方面指定的意见提取 （ASOE） 子任务;我们首先提取所有候选人的方面术语， 然后给出相应的意见词给方面术语。与使用基于 BIO 的标记方案进行提取的现有方法不同，QDSL 模型采用基于跨度的标签法，并构建了基于问题/答案的机器阅读理解任务，用于有效的方面/意见对提取。在四个基准数据集上对三项任务（ATE、ASOE 和 AOPE）进行了广泛的实验，结果表明，建议的方法明显优于最先进的方法

2. Shaowei Chen, Jie Liu, Yu Wang, Wenzheng Zhang, Ziming Chi. Synchronous Double-channel Recurrent Network for Aspect-Opinion Pair Extraction. ACL 2020. [paper] [code]

Abstract:
Opinion entity extraction is a fundamental
task in fine-grained opinion mining. Related
studies generally extract aspects and/or opinion expressions without recognizing the relations between them. However, the relations
are crucial for downstream tasks, including
sentiment classification, opinion summarization, etc. In this paper, we explore Aspect Opinion Pair Extraction (AOPE) task, which
aims at extracting aspects and opinion expressions in pairs. To deal with this task,
we propose Synchronous Double-channel
Recurrent Network (SDRN) mainly consisting of an opinion entity extraction unit, a relation detection unit, and a synchronization unit. The opinion entity extraction unit
and the relation detection unit are developed as two channels to extract opinion entities and relations simultaneously. Furthermore,
within the synchronization unit, we design
Entity Synchronization Mechanism (ESM)
and Relation Synchronization Mechanism
(RSM) to enhance the mutual benefit on the
above two channels. To verify the performance of SDRN, we manually build three
datasets based on SemEval 2014 and 2015
benchmarks. Extensive experiments demonstrate that SDRN achieves state-of-the-art performances.

摘要：意见实体提取是细粒度意见挖掘中的一项基本任务。相关研究通常提取一些方面和/或意见表达，而不认识到它们之间的关系。然而，这种关系对于下游任务至关重要，包括情绪分类、意见总结等。在本文中，我们探索了一个观察观点对提取(AOPE)任务，其目的是成对地提取方面和意见表达。为了解决这一问题，我们提出了主要由意见实体提取单元、关系检测单元和同步单元组成的同步双通道循环网络(SDRN)。意见实体提取单元和关系检测单元被开发为两个通道，以同时提取意见实体和关系。此外，在同步单元内，我们设计了实体同步机制(ESM)和关系同步机制(RSM)，以提高上述两个通道的互惠互利。为了验证SDRN的性能，我们基于SemEval2014和2015年的基准测试手动构建了三个数据集。大量的实验表明，SDRN取得了最先进的性能。

3. He Zhao, Longtao Huang, Rong Zhang, Quan Lu, Hui Xue. SpanMlt: A Span-based Multi-Task Learning Framework for Pair-wise Aspect and Opinion Terms Extraction. ACL 2020. [paper]

Aspect terms extraction and opinion terms extraction are two key problems of fine-grained
Aspect Based Sentiment Analysis (ABSA).
The aspect-opinion pairs can provide a global
profile about a product or service for consumers and opinion mining systems. However, traditional methods can not directly output aspect-opinion pairs without given aspect
terms or opinion terms. Although some recent
co-extraction methods have been proposed to
extract both terms jointly, they fail to extract
them as pairs. To this end, this paper proposes an end-to-end method to solve the task
of Pair-wise Aspect and Opinion Terms Extraction (PAOTE). Furthermore, this paper treats
the problem from a perspective of joint term
and relation extraction rather than under the sequence tagging formulation performed in most
prior works. We propose a multi-task learning framework based on shared spans, where
the terms are extracted under the supervision
of span boundaries. Meanwhile, the pair-wise
relations are jointly identified using the span
representations. Extensive experiments show
that our model consistently outperforms stateof-the-art methods.

摘要：方面术语提取和意见术语提取是基于细粒度的方面情绪分析(ABSA)中的两个关键问题。方面-意见对可以为消费者和意见挖掘系统提供关于产品或服务的全局概况。然而，如果没有方面术语或意见术语，传统的方法不能直接输出方面-意见对。虽然最近提出了一些共同提取的方法来联合提取这两个项，但它们没有提取它们成对。为此，本文提出了一种解决成对方面和意见术语提取(PAOTE)任务的端到端方法。此外，本文从联合项和关系提取的角度来处理这个问题，而不是在大多数工作中执行的序列标记公式下。我们提出了一个基于共享跨域的多任务学习框架，其中术语是在跨域边界的监督下提取的。同时，利用跨度表示联合识别成对关系。大量的实验表明，我们的模型始终优于最先进的方法。

二、Aspect-Sentiment Pair Extraction【方面-情感抽取】

1. Rui Mao, Xiao Li. Bridging Towers of Multi-task Learning with a Gating Mechanism for Aspect-based Sentiment Analysis and Sequential Metaphor Identification. AAAI 2021. [paper]

Abstract:
Multi-task learning (MTL) has been widely applied in Natural Language Processing. A major task and its associated
auxiliary tasks share the same encoder; hence, an MTL encoder can learn the sharing abstract information between the
major and auxiliary tasks. Task-specific towers are then employed upon the sharing encoder to learn task-specific information. Previous works demonstrated that exchanging information between task-specific towers yielded extra gains. This is known as soft-parameter sharing MTL. In this paper, we propose a novel gating mechanism for the bridging of MTL
towers. Our method is evaluated based on aspect-based sentiment analysis and sequential metaphor identification tasks.
The experiments demonstrate that our method can yield better
performance than the baselines on both tasks. Based on the
same Transformer backbone, we compare our gating mechanism with other information transformation mechanisms,
e.g., cross-stitch, attention and vanilla gating. The experiments show that our method also surpasses these baselines.

摘要：多任务学习(MTL)已广泛应用于自然语言处理过程中。一个主要任务及其相关的辅助任务共享相同的编码器；因此，一个MTL编码器可以学习在主要任务和辅助任务之间共享抽象信息。然后在共享编码器上使用特定于任务的塔来学习特定于任务的信息。以前的研究表明，在特定任务的塔之间交换信息会产生额外的收益。这被称为软参数共享MTL。本文提出了一种新的MTL塔桥接的门控机制。我们的方法是基于基于方面的情感分析和顺序隐喻识别任务。实验表明，我们的方法在两种任务上都有比基线更好的性能。基于相同的变压器主干，我们将我们的门控机制与其他信息转换机制进行了比较，如交叉针、注意和香草门控。实验表明，我们的方法也超过了这些基线。

这篇文章还需要再细看一下，即多任务中AOTE具体的实现方法

2. Yan Zhou, Fuqing Zhu, Pu Song, Jizhong Han, Tao Guo, Songlin Hu. An Adaptive Hybrid Framework for Cross-domain Aspect-based Sentiment Analysis. AAAI 2021. [paper]

摘要：基于跨领域方面的情绪分析旨在利用源领域中的有用知识来提取方面术语，并预测它们在目标领域中的情绪极性。近年来，基于对抗性训练的方法已被应用于这一任务，并取得了良好的效果。在这种方法中，源数据和目标数据都通过欺骗域鉴别器来学习域不变特征。然而，任务分类器只对源数据进行训练，导致任务分类器无法利用目标数据中的方面和情绪信息。在本文中，我们提出了一个基于跨领域方面的自适应混合框架(AHF)的情绪分析。我们将基于伪标签的半监督学习和对抗性训练集成在一个统一的网络中。因此，目标数据不仅可以通过训练域鉴别器来对齐特征，还可以用于细化任务分类器此外，我们设计了一个自适应平均教师作为我们的网络的半监督部分，它可以减轻有噪声的伪标签对目标数据的影响。我们在四个公共数据集上进行了实验，实验结果表明，我们的框架显著优于最先进的方法。

3. Chenggong Gong, Jianfei Yu, Rui Xia. Unified Feature and Instance Based Domain Adaptation for Aspect-Based Sentiment Analysis. EMNLP 2020. [paper]

摘要：基于方面的情绪分析(ABSA)的监督模型严重依赖于标记数据。然而，在ABSA任务中缺乏细粒度的标记数据。为了减轻对标记数据的依赖，以往的工作主要集中在基于特征的适应上，利用域共享知识构建辅助任务或域对抗性学习来弥合域之间的差距，而忽略了基于实例的适应的属性。为了解决这一限制，我们提出了一个端到端框架来联合执行ABSA任务的基于特征和实例的自适应。在BERT的基础上，利用词部分特征和句法依赖关系构建辅助任务，学习域不变特征表示，并在序列标记框架下联合执行词级实例加权。在四个基准上的实验结果表明，该方法在跨域End2EndABSA和跨域方面提取的两种任务上都取得了显著的改进。

4. Jiaxin Huang, Yu Meng, Fang Guo, Heng Ji, Jiawei Han. Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding. EMNLP 2020. [paper]

摘要：基于方面的情感分析对于以细粒度的方式理解用户反馈具有重要价值。它通常有两个子任务：(i)从每个评论中提取各个方面，以及(ii)根据情绪极性对基于各个方面的评论进行分类。在本文中，我们提出了一种弱监督的基于方面的情绪分析方法，它只使用少数关键字来描述每个方面/情绪，而没有使用任何标记的例子。现有的方法要么只针对其中一个子任务设计，忽略了两者耦合的好处，要么基于可能包含重叠概念的主题模型。我们建议首先通过实施正则化来鼓励主题嵌入空间中学习异义化，在单词嵌入空间中联合主题嵌入，然后使用神经模型通过使用基于嵌入的预测对分类器进行自我训练来推广词级判别信息。我们的综合性能分析表明，我们的方法生成了高质量的联合主题，并在基准数据集上显著优于基线（方面和情绪分类的平均得分分别为7.4%和5.1%）。

5. Zhuang Chen, Tieyun Qian. Relation-Aware Collaborative Learning for Unified Aspect-Based Sentiment Analysis. ACL 2020. [paper]

摘要：基于方面的情绪分析(ABSA)涉及三个子任务，即方面术语提取、意见术语提取和方面级情绪分类。大多数现有的研究只关注其中一个子任务之一。最近的几项研究成功地尝试用一个统一的框架来解决完整的ABSA问题。然而，三个子任务之间的交互关系仍未得到充分利用。我们认为，这种关系编码了不同子任务之间的协作信号。例如，当意见术语是“美味”时，方面术语必须是“食物”而不是“地方”。为了充分利用这些关系，我们提出了一个关系感知协作学习(RACL)框架，该框架允许子任务通过多任务学习和堆叠多层网络中的关系传播机制协调工作。在三个真实数据集上进行的大量实验表明，RACL在完成完整的ABSA任务方面显著优于最先进的方法

三、关于另外的一些

_{仅供参考|仅供参考|仅供参考}

1. Target-specified Sequence Labeling with Multi-head Self-attention for Target-oriented Opinion Words Extraction[code][paper]

abstract:
Opinion target extraction and opinion term
extraction are two fundamental tasks in Aspect Based Sentiment Analysis (ABSA). Many
recent works on ABSA focus on Target-oriented Opinion Words (or Terms) Extraction
(TOWE), which aims at extracting the corresponding opinion words for a given opinion
target. TOWE can be further applied to AspectOpinion Pair Extraction (AOPE) which aims
at extracting aspects (i.e., opinion targets)
and opinion terms in pairs. In this paper,
we propose Target-Specified sequence labeling with Multi-head Self-Attention (TSMSA)
for TOWE, in which any pre-trained language
model with multi-head self-attention can be integrated conveniently. As a case study, we also
develop a Multi-Task structure named MTTSMSA for AOPE by combining our TSMSA
with an aspect and opinion term extraction
module. Experimental results indicate that
TSMSA outperforms the benchmark methods
on TOWE significantly; meanwhile, the performance of MT-TSMSA is similar or even better
than state-of-the-art AOPE baseline models.

摘要：
意见目标提取和意见术语提取是基于方面的情绪分析(ABSA)中的两个基本任务。最近许多关于ABSA的研究都集中于目标导向的意见词（或术语）提取(Towe)，其目的是为给定的意见目标提取相应的意见词。Towe可以进一步应用于观察观点对提取(AOPE)，其目的是成对地提取各个方面（即意见目标）和意见术语。在本文中，我们提出了基于多头自我注意(TSMSA)的目标指定序列标记，其中任何预先训练好的多头自我注意语言模型都可以方便地集成。作为一个案例研究，我们还将我们的TSMSA和意见术语提取模块相结合，开发了一个名为mttsmsa的多任务结构。实验结果表明，TSMSA在Towe上显著优于基准方法；同时，MT-TSMSA的性能与最先进的AOPE基线模型相似甚至更好。